基于k-均值聚类rbf神经网络的企业用电负荷预测方法
【技术领域】
[0001] 本发明属于电力负荷预测和控制技术领域，具体为一种适用于典型工业企业的用 电负荷短期预测和智能需量控制技术，负荷预测方法为基于k均值聚类径向基RBF函数的神 经网络。
【背景技术】
[0002] 短期电力负荷预测是利用历史数据，结合预测系统的特点及影响因素，预测未来 1-7日的负荷数据。以往负荷预测工作多是由是电网规划部门完成，对于工业企业来说，负 荷预测对于能源管理、节能减排、成本优化等方面有较大的积极作用。在短期负荷预测的基 础上，了解近期的未来负荷的发展变化，有针对性地提出需求侧管理措施，智能控制进行负 荷调度。负荷预测作为企业能管系统的重要组成部分，企业运行优化管理等各个环节提供 重要的决策支持。
[0003] 传统的负荷预测方法主要有趋势外推法、回归分析法、时间序列法等，外推法简单 拟合精确度较低，回归分析法没有考虑负荷与天气等变量之间的动态的、非线性的关系，而 时间序列法没有考虑天气等气象因素对负荷的影响。如何有效预测电力负荷，发挥智能算 法的优势，提高预测的精度和效率，是需要解决的一个问题。
[0004] 依据2015年国家工业企业实施电力需求侧管理（IDSM)评价办法，企业用户通过搭 建能源管理平台来管理自己企业的用电情况，进行设备改造、整体优化等技术措施，改善自 身用电情况，从而达到节能减排的目的。针对于企业电力负荷预测技术，预测结果的着重点 在于智能需量控制，直接将负荷预测结果应用于能源管理和需量控制成为需要解决的另一 个问题。
【发明内容】
[0005] 为解决上述存在问题，本发明分为应用神经网络的负荷预测方法和直接应用负荷 预测结果进行需量控制两个部分。
[0006] -种基于k-均值聚类径向基(RBF)函数神经网络的企业用电负荷短期预测方法， 包括历史负荷数据获取步骤、气象数据获取步骤、日期判别步骤、神经网络预测步骤、误差 计算修正步骤、负荷曲线绘制步骤及预测数据导出步骤。
[0007] 历史负荷数据获取步骤，主要使用能源管理系统(EMS)SCADA实时数据库，获取整 个工业企业用电负荷数据;气象数据获取步骤主要获取气象数据包括历史气象数据和待测 日气象预测；日期判别步骤主要通过待测日日期，判别分类预测，主要分为普通工作日，部 分加班日，及完全休息日等多种类型；神经网络预测步骤，作为预测方法核心单元，根据历 史气象和负荷数据，通过k-均值聚类径向基RBF函数神经网络进行负荷预测模型;误差计算 修正步骤，实时对比预测值和实际值，判断是否存在错误畸变，得到误差并及时修正数据； 负荷曲线绘制步骤和预测数据导出步骤，将得到的负荷数据直观展示出来，并能从预测平 台导出至数据库，而后供需量控制使用。
[0008] 预测基于k均值聚类径向基RBF函数神经网络进行，如附图2所示RBF神经网络在结 构上通常由输入层、隐含层和输出层组成，属于多层前向网络，RBF网络的作用函数采用的 是径向基函数，它具有输出对参数局部线性的特点，网络训练可避开非线性优化，因而不 存在局部极小问题。在学习过程中即可确定网络的拓扑结构，使网络权系数计算的复杂性 得以降低，学习过程得以加速。RBF神经网络中，隐含层是采用非线性优化策略，对映射函数 的参数进行调整，相对学习速度慢一些;而输出层则是应用线性优化策略，对线性权进行调 整，因而学习速度较快。
[0009] 隐含层径向基函数，采用高斯函数
[0011] 式中：Μ · I |是欧式范数，；ejr为RBF的中心，δ是神经元Xi的均方差，固定为
[0013] 式中：dm-一所选中心之间的最大距离
[0014] Μ一一中心数(即隐含层单元数）
[0015] 输出为
[0017]式中：ω ,为隐含单元到输出单元之间的权值。
[0018]由于Κ-均值聚类算法具有简洁及高效性，所以其在所有聚类算法中应用最广泛。 Κ-均值聚类算法在RBF神经网络中心的选取中可以用来调整聚类中心，使网络中心的选取 更精确。本申请通过k-均值聚类算法，把所有输入层得到的输入向量进行聚类，可得隐含层 中的基函数中心向量。具体步骤为：
[0019 ] 1)给定各隐节点的初始中心Ci (0 )，通常取输入样本向量的前k个值。
[0020] 2)计算欧式距离为
[0021] di(t)= | |x(t)-Ci(t_l) | |，i = l，2，."，k
[0022] 3)求出最小距离节点为
[0023] di(t)=min di(t)
[0024] 4)调整重心为
[0025] Ci(t)=Ci(t-l),l < i <k,i^r
[0026] Ci(t)=Cr(t-l)+0[x(t)-Cr(t_l)] ,i=r
[0027] 5)判别，如果Ci(t) = Ci (t-1)，则终止迭代，否则转(2)
[0028] 6)当匕确定后，可采用最小二乘法求隐含层和输出层之间的权值，即
[0030]完成整个负荷预测工作。主要由一下几个要点：
[0031] 1.数据获取及预处理
[0032] 1)获取历史负荷数据和相对应历史气象数据，其中负荷数据来源于能源管理系统 SCADA数据库，对应气象数据来源于当日气象站实测，气象数据包括：日最高气温、日最低气 温、最大湿度、最小湿度和最大风速；
[0033] 2)气象影响因素使用人体舒适度作为标准，人体舒适度(ssd)计算公式为:ssd = (1.818七+18.18)(0.88+0.002〇 + (卜32)/(45-〇-3.2￥+18.2其中七为平均气温4为相对湿 度，v为风速；
[0034] 3)历史负荷数据15分钟取一个点，全天共96点，作为输入量的某一日数据包括当 日所有负荷数据，当日气象因素人体舒适度以及需要预测日人体舒适度，将数据做归一化 处理；
[0035] 4)历史数据结合工业企业实际情况按照日期类型分为三类，作为相似日输入量， 分别为普通工作日，部分加班日（主要为周六），及完全休息日（包括周日和国庆长假等节假 日），通过聚类的方法，建立3种相似日模型以供预测；
[0036] 2.建立预测模型
[0037] 1)确定预测日日期，并确定日期类型，从而使用相对应相似日预测模型；
[0038] 2)将输入量导入模型，利用k-均值聚类径向基RBF函数神经网络得到预测结果；
[0039] 3.误差修正
[0040]将所得到初步负荷预测结果通过误差修正模型进行校正，具体将得到负荷预测结 果于实际负荷进行比对，得到误差量，叠加后修正预测模型，从而得到预测结果；
[0041] 4.负荷曲线绘制和预测数据导出
[0042] 预测数据导入数据库，并通过界面绘制负荷曲线，将预测数据直观的展示出来，作 为需量控制的依据。
[0043] 本发明同时公开了一种基于负荷预测的需量控制方法，通过负荷预测得到预测 值，结合工业企业生产计划和用电负荷使用情况，寻找最大需量的主要构因。在负荷预测值 达到最大需量之前的控制点处，进行需量控制，判断是否切除非必须负荷或者采取节能方 案。这种控制方式让生产计划制定者有足够的依据调整下期产量计划并有效控制下期最大 需量。
[0044] 同时也可实现自动智能控制，当预测需量到达企业的最大容忍限度时，系统通过 内设的需量曲线模式判定法，自动为企业选择当前最合适的节能方案，提前控制最大需量， 有效避免超负荷运行甚至跳闸等发生，保证安全节能生产。
[0045] 本发明的优点在于：
[0046] 1)负荷预测考虑实时气象因素，采用了人体舒适度公式衡量每日的温度、湿度、风 速等气象参数与用电负荷的相关性，提高了预测的准确性和合理性；
[0047] 2)采用按照日期类型聚类的方法，依据工业企业实际分为多种相似日模型，使用 预测日所对应相似日的模型进行预测，预测精确度高；
[0048] 3)采用的K-均值聚类算法RBF神经网络算法，训练网络的输入层的神经元为相似 日模型中的N天的全天企业用电负荷共96点，以及当日的和预测日考虑气象因素的人体舒 适度数据，并对输入量进行循环训练，再采用训练好的神经网络，预测得到预测日的每15分 钟负荷值；
[0049] 4)以负荷预测为依据的需量控制，可智能实现负荷分配和优化控制，降低峰值负 荷，有效避免跳兩等广生的损失。
【附图说明】
[0050]图1为本发明实施例的企业用电负荷短期预测及需量控制技术模块示意图。
[0051 ]图2为本发明实施例的RBF神经网络结构示意图。
[0052]图3为本发明实施例的负荷预测与需量控制示意图。
[0053]图4为本发明实施例的负荷需量控制曲线示意图。
[0054] 图5为本发明实施例的需量控制曲线模式判断示意图。
【具体实施方式】
[0055] 以下结合具体实施例和附图对本发明的技术方案做进一步的说明。
[0056]如图1所示，为本发明实施例基于k均值聚类径向基RBF函数神经网络的企业用电 负荷短期预测及需量控制技术方法的模块框图。具体实施的过程为 [0057] 1.获取数据预处理和组成预测日相似日模型
[0058] 预测日的相似日是指，与该预测日具有相同类型的日期，并且在同一时段内，负荷 变化与预测日呈现相似的变换规律。由于每天负荷发生"突变"的时刻不完全相同，所以在 负荷发生突变时，负荷的预测误差也可能会很大。距离预测日最近的几个同类型日的同一 时段内，相似